导读:本文包含了快速独立分量论文开题报告文献综述及选题提纲参考文献，主要关键词:语音处理,信号分离,快速独立分量分析,牛顿迭代
快速独立分量论文文献综述
陈国良,黄晓琴,卢可凡[1]（2019）在《改进的快速独立分量分析在语音分离系统中的应用》一文中研究指出为了提高语音分离系统的处理速度和去除其内部噪声,提出了改进的快速独立分量分析算法。首先,运用时频二值掩蔽模型,在前期的处理中滤除语音数据中的部分噪声。其次,运用牛顿插值的思想,用一阶均差来代替迭代中的求导,提高语音信号分离速度。最后,建立系统分离模型和叁麦克风阵列,并进行改进算法与经典算法的处理时间的对比实验。实验结果表明,该算法可以实现对一段包括人声、音乐声和随机噪声的混合语音的分离,并且处理效率比经典算法提高了13.5%。(本文来源于《计算机应用》期刊2019年S1期）
吴奇远[2]（2019）在《基于高效快速独立分量分析的系统侧谐波阻抗估算》一文中研究指出系统侧谐波阻抗是电网谐波研究的关键参数之一,鉴于此,本文提出了一种基于高效快速独立分量分析的系统侧谐波阻抗估算方法。首先,对公共耦合点处的谐波电压和谐波电流进行去中心化和白化处理;其次,利用高效快速独立分量分析对处理后的谐波电压和谐波电流进行分离,得到分离矩阵;再次,自适应选择非线性函数进行渐进性分析,得到混合矩阵;最后,通过混合矩阵和谐波阻抗矩阵之间线性关系求得系统侧谐波阻抗。在诺顿等效电路上做了仿真分析,结果表明,本文方法的估算结果更为准确。(本文来源于《电气技术》期刊2019年06期）
赵利娜,闫玲玲,刘洪星[3]（2019）在《基于高阶收敛快速独立分量法的间谐波检测方法研究》一文中研究指出针对采集到的单通道信号,首先对其进行延迟处理,构造观测信号矩阵;然后借助主分量分析法(PCA)对观测信号进行处理,确定主成分,通过引入松弛因子,对FastICA算法中的初始迭代值进行修正;最后,将处理后的观测信号借助对称正交化FastICA算法对信号进行处理,从而得到基波、谐波和间谐波的频率、幅值和相位。仿真结果表明,在较精准将间谐波分离并得到相应参数。(本文来源于《自动化应用》期刊2019年04期）
邝亚云,王黎明,王佳琪[4]（2018）在《基于快速独立分量分析的脑电信号去噪方法研究》一文中研究指出在脑电信号的采集过程中往往会遇到各种不可预知类型的噪声,并受其干扰,采集的信号具有不平稳的特性。提取出来的信号中除了所需的有用信息之外还有大量的复杂噪声信息,这就要对无用的信息进行祛除,并保留所需的有用信息。脑电信号一般认为是相互独立的,本研究先使用快速独立分量分析的方法对产生的4个信号进行分离,其去噪结果良好,为以后使用该方法对脑电信号进行去噪奠定了理论基础,并在此理论基础上对脑电信号进行去噪分析。最后通过结构相似性指标分析得到快速独立分量分析方法具有良好的去噪效果。(本文来源于《国外电子测量技术》期刊2018年11期）
刘文波,常军,胡皞,巩文龙[5]（2016）在《快速独立分量分析法识别结构模态参数研究》一文中研究指出采用快速独立分量分析(FastICA)算法,快速、准确地识别结构模态参数.该算法以模态响应之间的独立性为依据构建出目标函数,并以此目标函数为基准采用ICA算法对结构输出信号进行分离,而得到结构振型向量.进而通过单模态识别技术-希尔伯特(Hilbert)变换,识别出结构的频率和阻尼比.最后通过白噪声激励下六层框架结构的模态参数识别,验证了快速独立分量分析算法识别结构模态参数的可行性和鲁棒性.(本文来源于《动力学与控制学报》期刊2016年04期）
陈梦[6]（2016）在《基于快速独立分量分析与小波阈值去噪的盲源分离研究》一文中研究指出盲源分离(BSS)是现代信号处理领域中一个活跃的研究领域,它指的是在源信号和传输信道都未知的情况下,仅由传感器接收到的观测信号分离出源信号的过程。BSS技术在图像、语音信号处理,生物医学信号处理等方面已经取得了较好的应用成就。尤其对于图像处理,盲源分离理论和技术已经深入到图像分离、图像去噪、图像特征提取等各个应用层面。为了将BSS技术和图像处理更紧密的结合,本文通过对用于盲信号分离的快速独立分量分析(Fast-ICA)算法的改进,研究基本Fast-ICA算法和改进Fast-ICA算法在无噪图像以及含噪图像盲分离过程中的性能;将改进Fast-ICA算法与小波阈值去噪技术相结合,实现了对含噪图像的盲源分离,并提高了盲分离的性能指标。首先,分析了盲源分离的基本理论以及解决盲源分离问题的主要方法——独立分量分析法(ICA);在众多的独立分量分析方法中,基于固定点的Fast-ICA是一种优秀的算法并且得到了广泛的应用。基本Fast-ICA算法利用二阶收敛的牛顿迭代方法进行目标函数的优化,为了加快算法的收敛速度,本文利用八阶收敛的牛顿迭代方法对Fast-ICA算法进行改进,以进一步提高算法的运行效率。其次,为了验证改进Fast-ICA算法的有效性与可行性,将基本Fast-ICA算法与改进Fast-ICA算法应用于无噪模型ICA中,通过仿真验证了基于八阶收敛的Fast-ICA算法与基本Fast-ICA以及五阶收敛的Fast-ICA算法在分离性能上基本相同,但改进算法具有更少的迭代次数和更快的收敛速率。最后,考虑到噪声的客观存在性,在含噪图像环境下利用小波变换(WT)与改进Fast-ICA算法相结合的方法实现含噪图像的盲源分离。采用改进Fast-ICA算法对图像进行分离,并且采用小波变换、均值滤波和中值滤波等方法进行去噪。通过一系列评价指标对比改进Fast-ICA算法与小波变换以及中值滤波等去噪方法去噪和分离性能。仿真结果证明改进的Fast-ICA算法与小波阈值去噪相结合的算法对含噪混合图像的盲分离性能更优,并获得更佳的去噪效果。(本文来源于《湖南大学》期刊2016-05-09）
赵熙,杨洪耕[7]（2015）在《基于快速独立分量分析的系统侧谐波阻抗计算方法》一文中研究指出提出一种基于快速独立分量分析(FastICA)计算系统侧谐波阻抗的方法。根据系统侧和用户侧谐波源变化近似独立,用FastICA对公共耦合点电压与电流波动的x-y正交分量解混得到独立分量,利用最小二乘法求得混合系数;根据混合系数之间的线性关系,计算系统侧谐波阻抗值。该方法考虑系统侧和用户侧谐波的共同影响,一定程度上削弱了系统侧谐波变化的干扰,在谐波源相角波动较大情况下,具有更高的计算精度,且无需先验数据匹配。仿真分析和现场数据计算结果表明,该方法可以有效抑制系统背景谐波干扰,得到更为准确的系统侧谐波阻抗值。(本文来源于《电力系统自动化》期刊2015年23期）
尹洪伟,李国林,路翠华[8]（2015）在《改进的复值快速独立分量分析算法》一文中研究指出针对复值快速独立分量分析算法(CFastICA)对初始权值敏感且收敛速度较慢的问题,提出了改进的CFastICA算法。该算法首先利用牛顿下降因子优化牛顿迭代的收敛方向,使分离矩阵在一定程度上接近最优值,然后去除牛顿收敛因子,利用普通牛顿迭代实现分离矩阵快速收敛。仿真实验表明:提出的算法拥有和牛顿下降CFastICA同样的收敛精度,收敛时间比牛顿下降CFastICA减少了近53%,且在低SNR下,提出算法的综合收敛性能明显优于CFastICA和牛顿下降CFastICA算法。(本文来源于《探测与控制学报》期刊2015年05期）
Bang-hua,YANG,Liang-fei,HE,Lin,LIN,Qian,WANG[9]（2015）在《脑机接口中基于约束独立分量分析和自适应滤波的眼电快速去除（英文）》一文中研究指出目的:眼电是脑电的主要干扰,采用眼电信号作为参考的自适应滤波能有效消除眼电干扰。然而眼电采集不方便且繁琐。在脑机接口中为从脑电中去除眼电,提出基于约束独立分量分析和自适应滤波的快速去除方法。该方法具有无需记录眼电信号且快速的优点。创新点:所提方法避免了实验过程中直接对被试者进行眼电信号采集,减少被试者在实验过程中的不适。该方法处理后的识别正确率比单纯用传统ICA算法和不进行任何处理的源信号分别提高了3.3%和12.6%。另外,该方法的时间耗费较上述两种算法分别降低了83.5%和83.8%,更好地满足脑机接口在线要求。方法:该方法分为两个阶段:第一阶段的目的是提取纯净的EOG信号。首先用ICA算法将输入信号分离成相互独立的分量(IC)。计算每个IC的峰态系数值并依据该值自动识别EOG独立分量(图2)。然后运用经验模态分解(EMD)将所识别的EOG信号自适应分解成数个IMF。根据IMF频域特征,选择数个IMF组合成纯净的EOG信号(图3)。第二阶段的目的是结合SCICA和RLS滤波算法去除混合在EEG信号中的EOG伪迹。首先SCICA利用第一阶段分离出的纯净EOG信号作为参考模板,迅速将混合在源信号中的EOG信号识别分离出。然后将该EOG信号分量作为RLS滤波器参考信号进行自适应滤波,最终去除EOG伪迹(图7)。结论:针对脑机接口脑电信号包含的眼电伪迹,提出一种基于约束独立分量分析和自适应滤波的快速自动去除方法。该方法去除效果良好,可用于脑机接口中眼电的在线自动消除。(本文来源于《Frontiers of Information Technology & Electronic Engineering》期刊2015年06期）
朱庆芹[10]（2015）在《一种改进的快速独立分量分析方法在信噪分离中的应用》一文中研究指出通常在信号分析过程中,由于测试环境存在诸多的干扰因素,使得故障信号中存在大量的噪声信息,因此,在提取信号中的故障特征之前,需要对其进行信噪分离,以确保提取到有用信息。在研究传统独立分量分析方法的基础上,提出了改进的快速独立分量分析方法。试验表明,采用改进的快速独立分量分析方法不仅大大提高了信噪分离的效率,而且能有效地提取信号中的故障特征。(本文来源于《现代制造工程》期刊2015年03期）
快速独立分量论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
系统侧谐波阻抗是电网谐波研究的关键参数之一,鉴于此,本文提出了一种基于高效快速独立分量分析的系统侧谐波阻抗估算方法。首先,对公共耦合点处的谐波电压和谐波电流进行去中心化和白化处理;其次,利用高效快速独立分量分析对处理后的谐波电压和谐波电流进行分离,得到分离矩阵;再次,自适应选择非线性函数进行渐进性分析,得到混合矩阵;最后,通过混合矩阵和谐波阻抗矩阵之间线性关系求得系统侧谐波阻抗。在诺顿等效电路上做了仿真分析,结果表明,本文方法的估算结果更为准确。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
快速独立分量论文参考文献
[1].陈国良,黄晓琴,卢可凡.改进的快速独立分量分析在语音分离系统中的应用[J].计算机应用.2019
[2].吴奇远.基于高效快速独立分量分析的系统侧谐波阻抗估算[J].电气技术.2019
[3].赵利娜,闫玲玲,刘洪星.基于高阶收敛快速独立分量法的间谐波检测方法研究[J].自动化应用.2019
[4].邝亚云,王黎明,王佳琪.基于快速独立分量分析的脑电信号去噪方法研究[J].国外电子测量技术.2018
[5].刘文波,常军,胡皞,巩文龙.快速独立分量分析法识别结构模态参数研究[J].动力学与控制学报.2016
[6].陈梦.基于快速独立分量分析与小波阈值去噪的盲源分离研究[D].湖南大学.2016
[7].赵熙,杨洪耕.基于快速独立分量分析的系统侧谐波阻抗计算方法[J].电力系统自动化.2015
[8].尹洪伟,李国林,路翠华.改进的复值快速独立分量分析算法[J].探测与控制学报.2015
[9].Bang-hua,YANG,Liang-fei,HE,Lin,LIN,Qian,WANG.脑机接口中基于约束独立分量分析和自适应滤波的眼电快速去除（英文）[J].FrontiersofInformationTechnology&ElectronicEngineering.2015
[10].朱庆芹.一种改进的快速独立分量分析方法在信噪分离中的应用[J].现代制造工程.2015